compute-economics

<p>截至10月27日的公开信息，一份在10月下旬被广泛转引的生成式引擎引用数据给出了一个反直觉的结论：Google AI Mode里88%的引用不来自自然搜索排名前十的网页，域名权威只能解释不到4%的被引差异；同期AI Overviews已覆盖约48%的查询，AI Mode下的零点击率达到93%<a href="https://it.sohu.com/a/1091119186_122950490" target="_blank">搜狐：当排名不再等于被提及</a>。这些数字正在被大量品牌当作排名无用的证据引用，但它们能支撑的结论比传播中的说法窄得多。本文按证据边界逐条拆解，说明哪些可以写进AI可见度监测方案，哪些只能作为待验证假设。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>Google AI Mode中88%的引用不来自自然搜索排名前十的网页</td><td>该比例是否适用于其他AI平台，报道只给出单平台数据</td><td>样本查询数量与统计时间窗</td></tr><tr><td>域名权威只能解释不到4%的被引差异</td><td>4%的回归口径与变量集合未公开</td><td>研究机构原始报告与模型设定</td></tr><tr><td>AI Overviews覆盖约48%查询，AI Mode零点击率93%</td><td>覆盖率的统计地域与语言范围未说明</td><td>平台侧公开说明或第三方复算</td></tr></table></div><p>这组数据里最容易被误读的是88%这个比例。它描述的是AI Mode引用来源与自然搜索前十的重合度，而不是品牌被引用的概率。换句话说，即使一个品牌在自然搜索里排名第一，它在AI回答中被引用的机会也只是与前十排名无关，而不是必然被引用。这两句话的差别，决定了监测指标该怎么设计，也决定了预算该往哪里挪。</p><h3>88%与4%各自说明什么</h3><p>88%说明引用来源的分布与排名体系脱钩，4%说明域名权威这个变量几乎不能解释被引差异。两条合起来指向同一个方向：AI挑选的是段落而不是站点。这也解释了为什么内容结构、事实密度与语义对齐的相关性可以达到0.71，远高于域名权威。对内容团队来说，这个方向比任何一个具体数字都更值得记住。</p><p>0.71是相关性，不是因果系数。它可以支持结构化、事实密集的页面更容易被引用这一工作假设，但不能证明把页面改结构化就一定被引用。监测方案如果把相关性当成因果，会得出过度乐观的结论，并在优化无效时找不到原因。区分相关与因果，是这份数据能否进入汇报材料的分界线。</p><table><tr><th>数据点</th><th>数值</th><th>口径与样本边界</th><th>可用于什么判断</th></tr><tr><td>引用不来自前十</td><td>88%</td><td>Google AI Mode，单平台口径</td><td>判断引用来源与排名体系脱钩，不能推出排名无用</td></tr><tr><td>域名权威解释力</td><td>不到4%</td><td>同一份数据的被引差异解释</td><td>判断权威不是主要变量，不能推出新站更优</td></tr><tr><td>内容与事实相关性</td><td>0.71</td><td>内容结构、事实密度、语义对齐三项</td><td>支持结构化假设，不能作为因果证据</td></tr><tr><td>AI Overviews覆盖</td><td>约48%</td><td>查询覆盖比例</td><td>判断入口迁移规模，不代表品牌曝光变化</td></tr></table><p>上表把四个数字各自的口径与可用范围并列，可以看出它们都不足以单独支撑一个投放决策。真正可用的做法是把它们当作假设生成器，再用品牌自己的监测数据做验证，而不是直接搬进汇报材料当成结论。数据本身没有错，错的是把它用在它支撑不了的地方。</p><h3>零点击率不等于品牌消失</h3><p>AI Mode下93%的零点击率常被解读为流量灾难，但零点击只说明用户没有点链接，不说明用户没有看到品牌。区别在于曝光位置从蓝色链接移到了答案正文。对品牌来说，衡量口径要从点击率换成被提及率与被引用率，否则会误判为完全没有曝光，进而做出错误的预算削减决定。</p><p>要把这些数字转成可执行的动作，需要核四类证据。第一类是平台侧口径，确认数据来自哪个平台、哪个版本、什么时间窗；第二类是问题样本，确认问题库覆盖的是品牌词还是场景词；第三类是引用来源，确认被引用的是官网、媒体还是第三方评测；第四类是竞品对照，确认同一问题下竞品的提及与排序。</p><p>这四类证据缺任何一类，结论都会失真。只核平台口径会得到无法横向对比的报表；只核问题样本会忽略平台差异；只核引用来源会看不清竞品占位；只核竞品对照又容易把偶发波动当成趋势。品牌在引入外部数据时，最该问的不是数字多大，而是这四类证据是否齐备。</p><p>现有证据足以支撑三类指标进入监测方案：被提及率，统计品牌在固定问题库中被AI回答提到的比例；引用来源结构，统计官网、媒体、第三方各自占比；竞品占位，统计同一问题下品牌的排序位置。这三类指标都不依赖那份88%的数据成立，它们本身就是AI搜索可见度的基础口径<a href="https://cloud.tencent.com/developer/article/2681920" target="_blank">腾讯云开发者社区：AI时代的品牌可见性</a>。</p><h3>样本量与时间戳是复核的前提</h3><p>三类指标都要附样本量与采样时间。同一问题在不同时间问同一个平台，答案可能变化，没有时间戳的报表无法复核，也无法判断变化来自优化还是模型更新。这一点在跨平台对比时尤其重要，因为不同平台的更新节奏并不一致，用同一天的数据比较不同平台，容易把版本差异读成效果差异。</p><div style="display:none"><ol><li>数据负责人：为每份引用数据标注平台、版本与时间窗，证据为原始报告与截图。</li><li>内容负责人：核对问题库是否覆盖品牌词与场景词，证据为问题库清单与版本号。</li><li>品牌市场负责人：拆分引用来源为官网、媒体、第三方三类并计算占比，证据为引用链接清单。</li><li>竞品分析岗：在同一问题集下记录竞品提及与排序，证据为多平台提问记录。</li></ol><table><tr><th>字段</th><th>示例值</th><th>核验来源</th></tr><tr><td>平台</td><td>Google AI Mode</td><td>搜狐2026-10-22报道</td></tr><tr><td>关键数值</td><td>88%引用不来自自然搜索前十</td><td>同篇报道引用数据</td></tr><tr><td>问题库版本</td><td>场景词与品牌词各占一半</td><td>内部问题库清单</td></tr><tr><td>采样时间</td><td>2026-10-27，单平台30次提问</td><td>监测任务日志</td></tr><tr><td>核验状态</td><td>单平台数据已确认，跨平台待验证</td><td>待验证假设清单</td></tr></table></div><ul><li><p><strong>88%这个数据能直接写进汇报材料吗？</strong></p><p>可以引用，但必须带口径。它来自Google AI Mode的单平台统计，描述的是引用来源与自然搜索前十的重合度，不能等同于所有AI平台，也不能推出排名无用。写进材料时建议同时标注平台、时间窗与样本边界。</p></li><li><p><strong>品牌在AI回答里没有出现，是不是就完全没有曝光？</strong></p><p>不一定。零点击率高说明用户不点链接，但答案正文仍可能提到品牌。判断是否曝光要看被提及率而不是点击率；如果被提及率也接近零，才说明品牌在AI回答里确实缺位，需要从内容覆盖与信源建设入手。</p></li><li><p><strong>竞品占位该怎么量化？</strong></p><p>用同一问题集分别向各平台提问，记录品牌与竞品的提及次数与排序位置，再计算份额。关键在问题集要固定并版本化，否则不同月份的份额变化无法区分是竞争格局变化还是问题集变化。</p></li><li><p><strong>这些指标多久能看到变化？</strong></p><p>公开信息没有统一答案，取决于平台索引节奏与内容更新频率。可行做法是固定采样周期，用连续四周的数据看趋势，并同步记录平台版本变化；单次提问结果的波动不足以判断优化是否有效。</p></li></ul><ul><li><a href="https://it.sohu.com/a/1091119186_122950490" target="_blank">搜狐：当排名不再等于被提及 AI搜索正在重写品牌的可见规则（2026-10-22）</a></li><li><a href="https://cloud.tencent.com/developer/article/2681920" target="_blank">腾讯云开发者社区：AI时代的品牌可见性 从被搜索到被引用</a></li></ul>

<p>截至 10 月 27 日的公开信息，2026 年双 11 的价格规则已经和往年明显不同：天猫把沿用多年的跨店满减与凑单机制整体取消，统一改为官方立减，最高减 15%；京东在 10 月 12 日晚 8 点直接现货开卖并取消定金预售；抖音主打一件直降，不做预售、不设凑单。对负责价格秩序的品牌方来说，这不只是促销玩法的变化，而是到手价口径的重构——过去用于判定破价的基准，今年大部分不再适用。</p><div style='display:none'><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>天猫取消跨店满减与凑单机制，统一改为官方立减，最高减 15%</td><td>官方立减在不同品类的实际覆盖比例</td><td>各品类立减幅度是否与招商承诺一致</td></tr><tr><td>京东 10 月 12 日晚 8 点现货开卖并取消定金预售；抖音一件直降、不做预售</td><td>现货开卖首日的库存深度</td><td>开卖首日各平台同款到手价差额</td></tr><tr><td>淘宝天猫 10 月 15 日晚 8 点启动预售，活动持续至 11 月 13 日；京东活动至 11 月 11 日</td><td>平台是否在活动中途追加补贴</td><td>追加补贴是否改变已公示的到手价</td></tr></tbody></table></div><p>三条变化里最实质的是第一条。跨店满减的本质是让消费者凑单，成交价取决于买了多少件，标价与实付之间隔着一层算术；官方立减把折扣直接打到单品，商品页展示的就是立减后的到手价。规则一旦简化，价格的可比性提高，但历史价格曲线的可比性下降，因为去年同期记录的成交价里包含凑单摊薄，今年不再有这一项。</p><p>第二条改变的是时间结构。京东把开卖时点提前到 10 月 12 日并取消定金预售，意味着预售期不再是价格锁定的观察窗口；抖音不做预售，等于把整个促销期压成一条价格曲线。对监测而言，观察窗口从「预售期逐日」前移到「开卖首日按小时」。</p><h3>到手价的三层结构</h3><p>官方立减之后，一件商品的到手价仍然由三层构成：标价、立减、以及叠加的红包或平台补贴。区别在于第一层与第二层现在同时出现在商品页，第三层才需要进入结算页确认。监测时如果把三层混在一起记录，算出的价差无法归因；正确做法是分层记录，再合成最终到手价。</p><p>分层记录还有一个好处：当某个渠道的到手价异常偏低时，可以立刻判断是标价被改、立减被放大，还是券被重复叠加。三种原因的处置方式完全不同，前两种属于价格秩序问题，第三种往往是平台补贴规则本身的设计。</p><h3>破价判定要换基准</h3><p>过去判定破价，常用同款商品在不同店铺的成交价对比；凑单机制下成交价本身不稳定，判定经常陷入争议。今年单件直降，标价与立减由平台规则统一，跨店比较的基准反而清晰了，真正需要警惕的是另一类情况：商家先抬标价再挂立减，使立减后的价格看起来优惠，实际到手价高于日常。</p><p>识别这类操作要靠时间序列而不是单点比价。把同款商品在大促前的三十天日常价拉出来，与立减后的到手价对齐，如果立减后仍高于日常价的中位数，就属于需要核实的价格异常。</p><p>河南日报的晚报把今年的格局概括为平台错位竞争：淘天押注 AI 挖掘潜在需求，京东把生活服务和生产性服务做成新增长曲线，抖音以分层扶持中小商家、用内容引流强化货架（<a href='https://www.henandaily.cn/sjb/2026-10-27-wanbao/'>河南日报晚报</a>）。路径不同，但对价格监测的共同影响是促销期的边界变模糊——开卖时点分散在 10 月 12 日与 10 月 15 日两个日期，结束时间分别是 11 月 11 日与 11 月 13 日（<a href='https://www.redhongan.com/p/281641.html'>活动时间安排</a>）。</p><p>监测节奏要跟着这个结构走。开卖首日是价格波动最剧烈的时段，也是竞品调价最集中的时段，按小时抽检比按日抽检更能捕捉异常；预售期取消后，原本用于锁定价格的预售定金记录不再存在，需要用商品页快照替代。</p><p>下表把三个主要平台在今年的规则差异并列，第四列给出对应的监测要点，品牌方可以直接按行调整巡查脚本的参数，而不必为每个平台单独写一套逻辑。规则差异会直接决定到手价的可比范围，也会决定抽检频次该按日还是按小时。</p><table><thead><tr><th>平台</th><th>预售安排</th><th>优惠形式</th><th>价格监测要点</th></tr></thead><tbody><tr><td>淘宝天猫</td><td>10 月 15 日晚 8 点启动预售，活动至 11 月 13 日</td><td>取消跨店满减，官方立减最高 15%</td><td>商品页到手价即基准，重点核对立减标识与结算页是否一致</td></tr><tr><td>京东</td><td>10 月 12 日晚 8 点现货开卖，取消定金预售</td><td>现货直降，无预售定金</td><td>开卖首日按小时抽检，关注库存售罄后的价格回弹</td></tr><tr><td>抖音</td><td>不做预售</td><td>一件直降，不设凑单</td><td>内容场与货架场价格是否一致，直播价与商品页价差</td></tr></tbody></table><p>基准重算的关键是把「日常价中位数」作为锚点，而不是把「去年双 11 成交价」作为锚点。前者反映商品真实的价格水平，后者包含已经消失的凑单摊薄，直接沿用会把正常调价误判为破价，也会把真正的抬价漏掉。</p><p>对品牌方来说，今年更实际的动作是在开卖首周完成一次全渠道价格快照，把同款商品在各平台的标价、立减、叠加券分别记录下来。这份快照的价值不在当次比对，而在明年——当规则再次变化时，它是唯一能还原今年真实到手价的证据。</p><div style='display:none'><ol><li>由价格岗在开卖前一日抓取目标 SKU 的商品页快照，记录标价、立减标识、优惠券门槛。</li><li>由价格岗在开卖首日按每两小时一次抽检，记录到手价与库存状态。</li><li>由数据岗把抽检结果与近三十天日常价中位数对齐，输出偏离超过常规促销幅度的 SKU 清单。</li><li>由渠道负责人在 24 小时内确认偏离原因：抬价、重复叠加券或平台补贴。</li><li>由品牌方对确认的异常 SKU 发起渠道沟通，并留存沟通记录与整改截图。</li></ol><table><thead><tr><th>字段</th><th>示例值</th><th>说明</th></tr></thead><tbody><tr><td>平台</td><td>淘宝天猫</td><td>官方立减规则</td></tr><tr><td>核验日期</td><td>2026-10-27</td><td>活动进行中</td></tr><tr><td>立减幅度</td><td>最高 15%</td><td>平台公开口径</td></tr><tr><td>证据链接</td><td>本篇数据来源第 1 条</td><td>规则报道</td></tr><tr><td>核验状态</td><td>待抽检</td><td>需回填到手价</td></tr></tbody></table></div><ul><li><p>官方立减之后，价格监测还要不要抓优惠券？</p><p>要，但权重下降。官方立减已体现在商品页到手价，优惠券与平台补贴仍会叠加，三层优惠需要分开记录，否则算出的价差无法归因。</p></li><li><p>跨店满减取消，对破价判定有什么影响？</p><p>过去凑单后的成交价低于标价，判定基准模糊；现在单件直降，基准更清晰，但历史价格曲线的可比性下降，需要改用日常价中位数作锚点。</p></li><li><p>京东取消定金预售，监测节奏要怎么调整？</p><p>预售期不再是价格锁定窗口，观察窗口前移到开卖当日，监测频次应从预售期每日一次改为开卖首日按小时抽检。</p></li><li><p>不同平台到手价差多少才算异常？</p><p>没有统一阈值。先把同款商品在各平台的到手价折算到含运费与券的同一口径，再看差额是否超出该品类的常规促销幅度，超出即列为待核。</p></li></ul><ul><li><a href='https://baijiahao.baidu.com/s?id=1880102699211013163&wfr=spider&for=pc'>双 11 满减取消：天猫官方立减、京东现货开卖、抖音一件直降</a></li><li><a href='https://www.redhongan.com/p/281641.html'>2026 年双 11 活动时间安排：京东 10 月 12 日起、淘宝 10 月 15 日起</a></li><li><a href='https://www.henandaily.cn/sjb/2026-10-27-wanbao/'>河南日报晚报：今年双 11 平台错位竞争</a></li></ul>

<p>截至10月27日的公开信息，据 OpenRouter 最新数据测算（10月19日至25日），全球 AI 大模型总调用量188万亿 Token，环比增长14.63%；中国模型周调用量93.54万亿 Token，环比增长18.14%，美国22.47万亿 Token，环比增长29.44%，中国连续26周居全球首位；全球调用量排名前五均为中国模型，DeepSeek V4.1-Flash-1017 以33.6万亿 Token 位居第一、环比增长801%。这组数字对做 AI 搜索可见度的团队有直接含义：用户把问题交给了谁，决定了品牌该在哪里被引用、该按什么权重看竞品占位。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>10月19日至25日全球大模型总调用量188万亿 Token，环比增长14.63%</td><td>测算口径与样本平台范围</td><td>OpenRouter 原始数据说明</td></tr><tr><td>中国模型周调用量93.54万亿 Token（+18.14%），美国22.47万亿 Token（+29.44%）</td><td>企业级与个人级调用占比</td><td>分场景调用结构数据</td></tr><tr><td>调用量前五均为中国模型，DeepSeek V4.1-Flash-1017 以33.6万亿登顶、环比+801%</td><td>单版本增长是否含灰度测试流量</td><td>平台版本发布与流量披露</td></tr></tbody></table></div><p>多数品牌的 AI 搜索可见度报告是简单平均：把几个平台的回答条数加总，算一个总体提及率。这个做法在平台份额接近时问题不大，但当某一个平台的调用量是另一个的十几倍，简单平均就会严重失真。用户在 DeepSeek 上问了一百次，在某个小众平台上问了一次，两边的权重显然不该相同。</p><p>按调用量加权，是让监测结果贴近真实曝光结构的第一步。加权之后可能出现反直觉的结论：某个平台上的提及率很高，但因为该平台份额小，对总体可见度的贡献有限；另一个平台提及率一般，却因为份额大而成为关键战场。不做加权，团队容易把资源投到看起来漂亮但影响有限的地方。</p><p>加权不是把调用量直接当系数用，那样会放大单点波动。比较稳妥的做法是同时看三个维度：平台调用量份额、该平台上品牌被提及的比例、以及该平台回答中给出引用来源的比例。三个维度分开记录，再合成一个加权可见度，出现异常时能定位到具体环节。</p><table><thead><tr><th>维度</th><th>数据来源</th><th>计算方式</th><th>用途</th></tr></thead><tbody><tr><td>平台份额</td><td>第三方调用量统计</td><td>该平台调用量 ÷ 全样本调用量</td><td>确定权重，避免简单平均</td></tr><tr><td>提及率</td><td>自有采集</td><td>提及品牌的回答数 ÷ 该平台有效回答数</td><td>判断单平台曝光水平</td></tr><tr><td>引用率</td><td>自有采集</td><td>给出引用来源的回答数 ÷ 有效回答数</td><td>判断可追溯性与信源依赖</td></tr></tbody></table><p>这三个维度里，引用率最容易被忽略，却最能解释差异。有的平台习惯在回答末尾列出参考链接，有的平台几乎不给来源。前者可以用引用来源分布判断哪些站点在替品牌说话，后者只能看表述本身。把两类平台混在一个指标里算平均，等于把可追溯与不可追溯的信息混为一谈。</p><h3>权重每季度校准一次就够</h3><p>调用量数据周度波动很大，按周调权重会让报告失去可比性。建议以季度为周期校准权重，周度只记录原始数据不做权重变更。这样既跟得上平台格局变化，又不会因为某一周的异常增长把整份报告带偏，团队也能在一个稳定口径下讨论趋势。</p><p>中国模型占据调用量前五，意味着国内用户的提问更多落在这些平台上。对品牌来说，内容建设的优先级应当随之调整：先在份额最大的平台上把核心问题库的回答覆盖住，再考虑长尾平台。反过来，如果内容团队把精力平均分给十个平台，很可能在每个平台上都做得不够深。</p><p>份额变化还会影响竞品占位的判断。某个平台上竞品被推荐的提问占比很高，如果该平台份额同时在上升，这就是需要优先处理的信号；如果该平台份额在下降，同样的占比数字紧迫性就低得多。把份额变化和竞品占位放在一起看，才能排出真正的优先级，而不是被单点数字牵着走。</p><p>调用量衡量的是使用规模，不是品牌曝光。一个平台调用量再大，如果用户在该平台上的提问与品牌所在品类无关，对可见度的贡献也有限。因此在加权之前，还要确认样本问题是否覆盖了品牌真正关心的场景，否则权重再精细也是在错误的样本上做运算。</p><p>另一个误区是把调用量增长直接等同于竞争加剧。增长可能来自新用户涌入，也可能来自同一批用户提问次数增加，两者对品牌的含义不同。前者意味着新增的曝光机会，后者意味着现有用户的问题更深。区分这两种情况，需要结合问题类型分布来看，而不是只看总量。</p><h3>样本问题要按品类分层</h3><p>同一个品牌在不同品类的提问里出现频率差别很大，把全品类问题混在一起算总体提及率，会掩盖真实短板。建议按品类把问题库分成若干层，每层单独算提及率与竞品占位，再按各品类的业务权重合成。这样既能看出哪一层最弱，也不会因为某个大品类表现好而掩盖其他品类的缺失。</p><p>把上面的口径落到执行，建议按四步走：先固定问题库，再确定监测平台清单与权重，然后按周采集、按季校准，最后把结果反馈到内容修正。四步里最容易漏掉的是最后一步，监测做完不落到内容修改，报告就只是报告，可见度不会自己变好。</p><div style="display:none"><ol><li>市场负责人：确定 50 至 100 条核心问题构成问题库，覆盖交易类与认知类，证据为问题库版本记录。</li><li>数据岗：按季度校准平台权重，记录调用量份额与来源，证据为权重校准表。</li><li>内容岗：在份额最高的两个平台优先补齐问题覆盖，证据为内容覆盖对照表。</li><li>分析岗：按周记录提及率、引用率与竞品占位，标注异常波动，证据为周度监测台账。</li><li>复盘人：季度复核加权可见度变化，决定下一轮内容重点，证据为季度复盘报告。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>平台名称</td><td>DeepSeek</td></tr><tr><td>调用量份额</td><td>17.9%</td></tr><tr><td>提及率</td><td>42.0%</td></tr><tr><td>引用率</td><td>61.5%</td></tr><tr><td>核验状态</td><td>待核验</td></tr></tbody></table></div><p>需要说明的是，调用量数据来自第三方统计，测算口径、样本平台范围与分场景结构均未完整公开，本文引用时已标注为需要核实。品牌在使用这类数据做权重设计时，应同时保留自有采集数据，避免把外部统计当成唯一依据。</p><ul><li><p>为什么不能用简单平均算 AI 搜索可见度？</p><p>因为各平台调用量差距很大。简单平均会让份额极小的平台获得与头部平台相同的权重，导致结论偏离真实曝光结构。按调用量份额加权，才能反映用户实际把问题交给了谁。</p></li><li><p>权重多久调一次合适？</p><p>建议按季度校准。调用量周度波动大，按周调权重会让报告失去可比性；按季度既跟得上格局变化，又能保持口径稳定，团队讨论趋势时才有共同基准。</p></li><li><p>引用率低说明什么？</p><p>说明该平台的回答较少给出可追溯的来源。这不一定是坏事，但意味着品牌无法通过信源建设影响它，只能从表述本身入手。分析时应把可追溯与不可追溯的平台分开统计。</p></li><li><p>调用量增长就等于竞争加剧吗？</p><p>不等于。增长可能来自新用户涌入，也可能来自现有用户提问变多。前者带来新增曝光机会，后者意味着问题更深。要结合问题类型分布判断，而不是只看总量。</p></li></ul><ul><li><a href="https://mp.weixin.qq.com/s?__biz=MzUzNTM4OTkwMw==&mid=2247485623&idx=1&sn=fdab8204a4de81fcae6eb3f18b7d7d63" rel="nofollow noopener" target="_blank">AI每日动态（2026-10-27）</a></li></ul>

<p>截至10月27日的公开信息，华润万家在2026年10月内关闭了西安3家门店：金花路店因合同到期将于10月31日营业结束后停止线上、线下业务，该店2003年12月开业；栗园广场店于10月11日闭店，2023年5月31日开业；星火路店于10月7日闭店，2009年开业。同期，人人乐于7月关闭西安最后两家门店、退出西北市场，永辉超市门店数从2025年末的403家降至2026年6月末的382家。把这些门店变动与西安的消费数据放在一起看，结论与“消费退潮”相反：消费还在增长，变化的是承载消费的业态。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>华润万家10月在西安关闭3家门店：金花路店因合同到期于10月31日闭店（2003年12月开业）、栗园广场店10月11日闭店（2023年5月31日开业）、星火路店10月7日闭店（2009年开业）；人人乐7月关闭西安最后两家门店退出西北；永辉门店由2025年末403家降至2026年6月末382家、上半年净关24家，2019年峰值超1400家；西安市统计局数据显示1至7月粮油食品类零售额增长12.8%、饮料类增长10.1%、服装鞋帽针纺织品类增长6.7%、日用品类增长20.6%、金银珠宝类增长18.0%、家用电器和音像器材类增长18.1%</td><td>三家门店的租赁面积与租金水平未公布；闭店是否伴随同品牌小业态接盘未说明；永辉上半年新开与关闭的门店城市分布未披露</td><td>关闭门店的年销售额与坪效；同商圈内小业态替代率；闭店后周边线上订单增量；剩余租期与退出成本</td></tr></table></div><p>先看消费侧。西安市统计局的数据显示，1至7月粮油、食品类零售额增长12.8%，饮料类增长10.1%，服装、鞋帽、针纺织品类增长6.7%，日用品类增长20.6%，金银珠宝类增长18.0%，家用电器和音像器材类增长18.1%。下滑的只有汽车类与石油及制品类，这两类与大卖场的关系很弱。因此，把关店归因于“大家不消费了”，与数据不符。</p><p>再看供给侧。华润万家、永辉这类企业的关店理由多为“合同到期”或“内部调整”，与人人乐因自身经营困境退出有本质区别。长租约到期时租金往往重新定价，而大卖场的坪效已不足以支撑新租金水平，退出是理性的财务选择。这也解释了为什么关店与开店会同时发生：永辉2026年上半年在广东、广西、甘肃新开3家门店，另有28家已签约待开业。</p><p>更能说明策略的是同期开出的调改店。沣西统一西路店2025年12月调改开业，SKU从1.1万余支降至7000余支，汰换率超过80%，自有品牌占比拉到20%以上，生鲜区占到将近一半；开业当天客流破1.3万，销售额过百万。龙首印象城店调改后销售同比上涨176%。深圳壹方天地店把SKU从7000降到4000、自有品牌占比提到35%；新推的社区平价品牌“万家家选”自有品牌占比超过60%、9.9元以下商品超过一半。这组数字说明关店不是没钱了要撤，而是把资源从“上万平米覆盖一片区域”挪到“更小颗粒度扎进社区”。</p><p>从消费趋势看，“一站式买齐”的价值主张正在被四种业态分头承接，大卖场的份额流失是结构性的而不是周期性的。大卖场的问题不是商品不够多，而是“一站式买齐”这个价值主张被拆分了。即时零售接走了计划性采购，社区生鲜接走了每日买菜，便利店接走了应急需求，电商接走了标品囤货。剩下留给大卖场的，是体验、囤货和低频大件，这恰好是最难撑起上万平米面积的部分。</p><table><tr><th>业态</th><th>承接的需求</th><th>典型面积</th><th>对大连锁的意义</th></tr><tr><td>大卖场</td><td>囤货、体验、大件</td><td>8000平方米以上</td><td>存量改造，不再大规模新开</td></tr><tr><td>中型超市</td><td>每周采购</td><td>1000至3000平方米</td><td>承接大卖场退出的份额</td></tr><tr><td>社区生鲜</td><td>每日买菜</td><td>200至600平方米</td><td>高频流量入口</td></tr><tr><td>即时零售前置仓</td><td>30分钟到家</td><td>300至500平方米</td><td>把门店库存变成履约能力</td></tr></table><p>这张表解释了为什么“关大店、开小店”会成为共同选择。中型超市与社区生鲜的单位面积产出更高，租约更短、试错成本更低；前置仓则把存量门店的库存转化为履约能力，不必新增租金。对连锁企业而言，真正的考验是能否用同一套供应链同时服务四种面积的门店，而不是能否守住大卖场的数量。</p><h3>长租约到期是退出的时间窗口</h3><p>金花路店经营了近23年，星火路店2009年开业，这两家店的租约周期都到了需要重定价的节点。长租约到期是零售企业少有的、可以低成本退出的时间窗口：既不必支付高额违约成本，也能顺势完成资产结构优化。反过来，若在租约中期强行退出，一次性支出会直接压到当期利润上。</p><h3>净面积比门店数更能说明问题</h3><p>关店与开店同时进行时，门店数是失真的指标。更可靠的口径是净营业面积与单位面积销售额：关掉低效大店、开出高效小店，门店数可能下降，但坪效与毛利率会改善。企业对外披露时若只给门店数，投资者很难判断是收缩还是结构升级，这也是这类公告最需要补足的信息。</p><p>宏观数据提供了一个参照系。国家统计局数据显示，1至9月社会消费品零售总额370001亿元、同比增长1.1%，其中城镇消费品零售额319820亿元、增长0.9%，乡村消费品零售额50181亿元、增长2.3%，乡村增速高于城镇。这意味着新增量更可能出现在下沉市场与社区场景，而不是核心商圈的大店。</p><p>区域重排的逻辑可以按三步走：先确认该城市是否存在未被满足的社区生鲜需求，再确认现有大卖场能否改造为中型超市或前置仓，最后才考虑是否退出。顺序颠倒会带来两类损失：该改造的点位被关掉，或该退出的点位被投入改造资金。华润万家西安三家店的闭店时点集中在同一个月，说明这类决策往往是批量做出的，更需要前置的评估标准。</p><p>对供应商而言，门店退出带来的直接影响是铺货覆盖与陈列位变化。同一城市内大店减少、小店增加，意味着单店陈列面变小、SKU 准入更严，铺货率的分母变了。若仍按旧的门店清单核算铺货率，会得出“铺货率下降”的错误结论，实际是渠道结构变化导致的统计口径问题。</p><div style="display:none"><ol><li>区域经理建立门店退出评估表，核验证据为近12个月坪效与租金占比数据。</li><li>拓展经理核查租约到期时间，核验证据为租赁合同台账与重定价条款。</li><li>运营经理评估同商圈小业态替代方案，核验证据为周边社区生鲜与前置仓点位图。</li><li>商品经理重算铺货率分母，核验证据为最新门店清单与在架SKU明细。</li><li>财务经理核算退出成本，核验证据为违约条款测算与资产处置方案。</li></ol><table><tr><th>字段</th><th>示例值</th><th>说明</th></tr><tr><td>门店名称</td><td>华润万家西安金花路店</td><td>与营业执照一致</td></tr><tr><td>闭店日期</td><td>2026-10-31</td><td>营业结束后停止线上线下业务</td></tr><tr><td>开业年份</td><td>2003年</td><td>经营近23年</td></tr><tr><td>闭店原因</td><td>合同到期</td><td>区别于经营困境退出</td></tr><tr><td>铺货率分母</td><td>382家</td><td>按最新门店清单</td></tr></table></div><ul><li><p>关店多是不是说明消费在下降？</p><p>不是。西安1至7月粮油食品类零售额增长12.8%、日用品类增长20.6%，消费仍在增长。关店反映的是消费场景从“开车逛大卖场”转向“30分钟送到家”，份额在业态之间迁移。</p></li><li><p>合同到期是主要原因，还是经营原因？</p><p>两者叠加。长租约到期时租金通常重定价，而大卖场坪效已不足以支撑新租金，企业顺势退出，对外表述为合同到期。真正需要看的是该点位是否会被同品牌的小业态替代。</p></li><li><p>大卖场还有没有存在的必要？</p><p>有，但角色变了。从“一站式买齐”变成“体验与囤货场景”，面积要缩、生鲜要强、商店街要能带客流。保留全部面积、只换商品结构的改造，通常难以扭转坪效。</p></li><li><p>关店和开店同时进行，怎么判断净效果？</p><p>看净面积与净销售额的变化，而不是看门店数。关掉低效大店、开出高效小店时，门店数下降但坪效上升，这是结构改善而不是收缩。</p></li></ul><ul><li><a href="https://baijiahao.baidu.com/s?id=1880064977023010724&wfr=spider&for=pc">观财君：华润万家西安连关三店，老顾客的逛超市方式变了（2026-10-26）</a></li><li><a href="https://www.stats.gov.cn/sj/zxfb/202610/t20261019_1965614.html">国家统计局：2026年1—9月份社会消费品零售总额增长1.1%（2026-10-19）</a></li></ul>

<p>截至10月27日的公开信息，上海市经济信息化委印发《上海市加快发展新一代智能制造行动方案》，提出到2028年实现全市重点制造企业智能工厂全覆盖，培育500家先进级智能工厂，人工智能在制造业应用场景突破2000个，开发10个先进适用的垂域大模型，推出300个以上高水平智能体<a href="https://finance.sina.cn/2026-10-27/detail-iniwsfqr4528796.d.html" target="_blank">新浪财经：上海市加快发展新一代智能制造行动方案</a>。对品牌与B2B营销团队来说，垂域模型与智能体规模化的直接后果是采购与选型的第一轮筛选越来越多由AI完成，品牌在AI回答中被如何描述，开始影响真实的商机分配。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>方案提出到2028年推出300个以上高水平智能体、开发10个先进适用的垂域大模型</td><td>这些智能体是否面向外部用户提供问答，方案未明确</td><td>智能体的服务对象与开放范围</td></tr><tr><td>AI在制造业应用场景目标突破2000个，培育500家先进级智能工厂</td><td>场景清单与品牌曝光之间的关联尚无公开数据</td><td>场景目录与牵头企业名单</td></tr><tr><td>目标为实现全市重点制造企业智能工厂全覆盖</td><td>覆盖口径（企业数还是产能占比）未在报道中说明</td><td>方案原文的统计口径定义</td></tr></table></div><p>方案给出的数字里，最容易被忽略的是10个垂域大模型。通用助手的回答依赖公开网页与开放语料，垂域模型的回答依赖行业语料与内部知识库，两者对品牌的描述方式并不相同。当一个行业的采购方开始用垂域模型做初筛，品牌能否出现在答案里，取决于它在行业语料中的位置，而不只是官网写得好不好。</p><h3>垂域模型与通用助手的差别</h3><p>通用助手的信源更宽，回答更接近公开舆论的平均值；垂域模型更窄，回答更接近行业内的通行说法。这意味着同一个品牌在两个体系里可能得到完全不同的描述：通用助手会复述媒体报道，垂域模型会复述技术参数与选型标准。品牌做AI可见度监测时，如果只覆盖通用助手，就会漏掉真正影响采购决策的那一层。</p><p>描述偏差通常不是错误信息，而是信息不完整。垂域模型在缺少结构化参数时会用行业通行的默认表述填补，结果就是品牌被描述成它并不完全具备的样子。这种偏差比明显的错误更难发现，因为它读起来合理，只有在与官方参数逐条比对时才会暴露。</p><table><tr><th>偏差类型</th><th>典型表现</th><th>常见成因</th><th>核验方式</th></tr><tr><td>能力夸大</td><td>AI回答把可选功能描述为标准配置</td><td>产品页参数与选型文档不一致</td><td>逐条比对官方参数表</td></tr><tr><td>定位错位</td><td>品牌被归入不主攻的品类或价格带</td><td>行业语料中的旧表述未更新</td><td>检查引用来源的发布时间</td></tr><tr><td>竞品混同</td><td>回答把品牌与竞品的能力合并描述</td><td>信源中并列出现且缺少区分</td><td>按问题集记录竞品占位</td></tr></table><p>上表把三类偏差分开，是因为它们对应的修正动作完全不同。能力夸大要改产品页与参数表，定位错位要更新行业语料与媒体表述，竞品混同则要补充差异化证据。把三类混在一起处理，通常只能改到表面，下一轮监测仍然复现同样的问题。</p><h3>三类偏差里哪一类最该先修</h3><p>能力夸大的风险最高。它看起来对品牌有利，实际上会在交付阶段转化为信任损失，而且一旦被行业语料固化，后续纠正成本很高。定位错位的影响更长期，会持续影响品牌在AI回答中的品类归属；竞品混同则最容易被发现，也最容易通过补充证据修正。</p><p>监测能力可以拆成三层。第一层是入口层，确定要监测哪些通用助手与垂域模型，并固定清单版本；第二层是问题层，按采购决策路径设计问题，从品类认知到选型比对再到交付能力；第三层是证据层，记录每次回答的引用来源与时间戳，让偏差可以被追溯到具体信源。</p><p>三层之中，入口层最容易做错。很多团队把通用助手当成全部入口，结果报表看起来很完整，实际漏掉了真正影响决策的垂域模型。可行的补法是先确认所在行业是否已有垂域模型面向采购方提供服务，再决定监测权重的分配，而不是平均用力。</p><h3>平台层与垂域层要分开建库</h3><p>问题库必须分开建。通用助手的问题偏认知与比较，垂域模型的问题偏参数与合规，两类问题的措辞与判定标准都不同。合并建库会导致判定规则互相冲突，最终两边都测不准。分开建库之后，跨层对比才有意义，也才能看出品牌是在认知层缺位还是在选型层缺位。</p><p>第一步是把官方参数表整理成可被引用的结构化事实，包括型号、规格、适用场景与限制条件，确保AI在摘取时有准确来源。第二步是检查行业媒体与第三方评测中的表述是否与官方口径一致，不一致的地方优先更新。第三步是在固定问题集下记录品牌与竞品的提及情况，形成基线。</p><p>这三步的共同点是都在做减法：减少模糊表述，减少不一致信源，减少无法追溯的结论。AI回答的描述偏差大多来自信息不完整，而不是来自错误信息，因此补齐结构化事实比发布更多宣传内容更有效。对B2B品牌来说，这条经验比任何单次优化动作都更值得坚持。</p><div style="display:none"><ol><li>品牌市场负责人：确认行业内已面向采购方提供服务的垂域模型与智能体清单，证据为公开登记信息与产品页。</li><li>产品经理：把官方参数表整理为结构化事实表，标注适用场景与限制，证据为产品手册与检测报告。</li><li>内容负责人：核对行业媒体与第三方评测表述是否与官方口径一致，证据为报道原文与比对表。</li><li>数据负责人：在固定问题集下记录品牌与竞品提及情况形成基线，证据为提问记录与引用链接。</li></ol><table><tr><th>字段</th><th>示例值</th><th>核验来源</th></tr><tr><td>监测入口</td><td>通用助手与行业垂域模型分层清单</td><td>上海市经信委方案表述</td></tr><tr><td>方案目标</td><td>300个以上高水平智能体、10个垂域大模型</td><td>新浪财经2026-10-27报道</td></tr><tr><td>结构化事实</td><td>型号、规格、适用场景、限制条件</td><td>产品手册与检测报告</td></tr><tr><td>偏差类型</td><td>能力夸大、定位错位、竞品混同</td><td>AI回答逐条比对表</td></tr><tr><td>核验状态</td><td>方案已发布，垂域入口清单待确认</td><td>内部核查表</td></tr></table></div><ul><li><p><strong>垂域大模型和通用AI助手的监测有什么不同？</strong></p><p>信源结构不同。通用助手依赖公开网页，回答接近舆论平均值；垂域模型依赖行业语料与内部知识库，回答接近行业通行说法。监测时问题措辞、判定规则与引用来源分类都要分开设计，合并处理会让两边都测不准。</p></li><li><p><strong>AI回答把品牌描述错了，该怎么改？</strong></p><p>先分清偏差类型。能力夸大要改产品页与参数表，定位错位要更新行业语料与媒体表述，竞品混同要补充差异化证据。三类偏差的修正动作不同，混在一起处理通常只能改到表面。</p></li><li><p><strong>300个智能体的目标对品牌意味着什么？</strong></p><p>意味着回答者变多。智能体规模化之后，采购方接触到的第一轮信息可能来自多个行业应用而非单一助手，品牌需要确认这些应用是否覆盖自身品类，再决定监测权重，而不是把预算平均分配。</p></li><li><p><strong>怎么判断品牌在垂域模型里有没有被引用？</strong></p><p>用固定问题集在对应应用内提问，记录回答是否提及品牌、引用的是官网还是第三方，并保存时间戳。单次结果不足以判断，需要连续多周采样；同时记录应用版本，避免把模型更新误读为优化效果。</p></li></ul><ul><li><a href="https://finance.sina.cn/2026-10-27/detail-iniwsfqr4528796.d.html" target="_blank">新浪财经：上海市加快发展新一代智能制造行动方案（2026-10-27）</a></li></ul>

<p>截至 10 月 27 日的公开信息显示，淘宝于 10 月 20 日上线「双11战利品」AI 搜索互动玩法，活动持续至 11 月 13 日，用户搜索该词可生成个人战利品清单与购物人格；平台同时表示搜索框在「双11什么时候开始」「双11什么值得买」这类问题上已能直接给出答案。对品牌来说，这意味着站内搜索入口正在从匹配商品转向理解消费者，品牌在 AI 回答里的出场方式随之改变。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>10 月 20 日淘宝上线双11战利品 AI 搜索互动玩法，持续至 11 月 13 日（新闻晨报报道）</td><td>该玩法覆盖的用户规模与流量占比未披露</td><td>参与人数与搜索量需平台后台数据核对</td></tr><tr><td>用户搜索该词可生成个人战利品清单与购物人格，并参与红包与奖品互动（同一报道）</td><td>清单生成逻辑是否包含品牌推荐位未说明</td><td>推荐逻辑属平台策略，外部无法直接验证</td></tr><tr><td>平台称搜索框在双11什么时候开始、什么值得买等问题上可直接给出答案（同一报道）</td><td>答案的信源构成与更新频率未披露</td><td>需按问题抽样采集答案与引用来源</td></tr></tbody></table></div><p>这类玩法的表层是互动营销，底层是搜索入口的一次能力升级：用户输入从短词变成完整问句，系统输出从商品列表变成一段结论加一份清单。对品牌而言，曝光位的性质变了。过去抢的是列表前三位，现在还要争取被写进那段结论里，而结论里出现谁、以什么顺序出现，取决于系统对问题的理解与对证据的挑选。</p><h3>从关键词到问题</h3><p>关键词时代的优化对象是词与商品标题的匹配度；问题时代优化的是内容能否回答一个完整提问。区别在于前者可以靠堆词获得曝光，后者必须提供结构化信息：什么场景、什么规格、什么价格带、适合谁。品牌若只准备商品标题与详情页参数，缺少面向问题的解释性内容，就很难进入答案文本。</p><h3>清单与标签成为新的露出位</h3><p>战利品清单与购物人格这类玩法，本质是把用户行为结构化成可展示的标签。品牌如果只在成交环节出现，而不在标签与清单的生成逻辑里，曝光就会被压缩到「已购买」这一层。这也是为什么越来越多品牌开始关注自己在 AI 回答中的描述，而不只是销量排名。</p><table><thead><tr><th>指标</th><th>定义</th><th>采集方式</th><th>观察周期</th></tr></thead><tbody><tr><td>提及率</td><td>提及品牌的回答数 ÷ 采样回答数</td><td>按固定问题逐条采集</td><td>每周</td></tr><tr><td>推荐位次</td><td>品牌在清单中的平均排序</td><td>记录清单顺序</td><td>每周</td></tr><tr><td>描述一致性</td><td>回答中品牌关键事实与官方口径的一致比例</td><td>逐条比对参数与卖点</td><td>每两周</td></tr><tr><td>引用来源占比</td><td>回答引用的域名中品牌可控页面所占比例</td><td>抓取引用链接归类</td><td>每月</td></tr><tr><td>竞品占位</td><td>同一问题下竞品出现频次</td><td>与本品同批次采集</td><td>每周</td></tr></tbody></table><p>五个指标里，描述一致性最容易被忽略。品牌被提到但参数说错，比不被提到更危险，因为错误信息会随答案一起进入购买决策。引用来源占比则解释了「为什么提到的是竞品」：如果回答引用的都是竞品布局的页面，说明品牌的证据网络在系统看来还不够可用。</p><p>竞品占位不是简单的出现次数对比。要看三件事：竞品出现在哪些类型的问题下、出现时被如何描述、引用了哪些信源。如果竞品在「怎么选」类问题里稳定出现，而在「哪家便宜」类问题里缺席，说明它做的是决策链上游的内容；如果它在两类问题里都出现，说明证据覆盖更完整。品牌据此可以判断自己是缺内容、缺信源，还是缺口径统一。</p><p>闭环的起点是问题库而不是内容清单。先把用户真实问法整理成问题库，再逐条测当前回答，找出品牌缺席或描述有误的问题，按证据缺口分类修复，最后用同一批问题复测。这个顺序不能颠倒：先做内容再找问题，最常见的失败是把预算投在系统根本不引用的方向上。需要强调的是，这套方法只能提高被正确引用的概率，不能保证结果，任何承诺「操控 AI 回答」的说法都不成立。</p><div style="display:none"><ol><li>内容负责人按平台真实提问方式整理问题库，覆盖选购、比价、场景、售后四类，标注优先级。</li><li>监测岗对每条问题采集回答原文，记录品牌提及、位次、描述与引用域名。</li><li>分析岗比对官方口径与回答描述，标注事实偏差与缺失卖点，形成修复清单。</li><li>内容岗按修复清单补充可被引用的结构化页面，优先补齐引用来源占比最低的问题。</li><li>负责人在两周后用同一问题库复测，比较五项指标，确认是否进入下一轮优化。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>问题库分类</td><td>选购 / 比价 / 场景 / 售后</td></tr><tr><td>采样问题数</td><td>按业务优先级覆盖核心提问</td></tr><tr><td>复测节点</td><td>内容上线后第 2 周</td></tr><tr><td>关键指标</td><td>提及率、位次、描述一致性、引用占比、竞品占位</td></tr></tbody></table></div><ul><li><p>AI 搜索升级后，品牌在站内的曝光位置发生了什么变化？</p><p>搜索框从匹配商品扩展到直接回答「什么时候开始」「什么值得买」这类问题，品牌露出从商品列表位次前移到答案文本与清单里。位次仍然重要，但能否被写进答案、以什么描述被写进去，成为新的竞争点。</p></li><li><p>这类互动玩法对品牌 GEO 有什么可借鉴的地方？</p><p>它把用户问题变成了结构化入口：一个搜索词对应一套清单与标签。品牌可以据此反推用户真实提问方式，把这些问法做成问题库，再逐条检查自己在各平台 AI 回答中的提及与引用情况。</p></li><li><p>品牌可见度应该用哪些指标衡量？</p><p>常用的是提及率、推荐位次、情感倾向、引用信源结构与竞品占位五项。单一指标容易误判，例如提及率上升但位次下滑，说明只是被顺带提到，并未进入推荐序列。</p></li><li><p>优化后多久能看到变化？</p><p>没有统一答案。变化速度取决于平台检索频率、内容被收录的速度与证据竞争的激烈程度。可靠的做法是固定平台、固定问题、固定频次做时间序列观察，区分偶发波动与真实改善。</p></li></ul><ul><li><a href="https://baijiahao.baidu.com/s?id=1879834473198304842&wfr=spider&for=pc">新闻晨报：淘宝AI搜索能力升级 双11战利品玩法上线</a></li></ul>

<p>截至 10 月 27 日的公开信息，大润发正在上海、杭州、马鞍山以及江苏多地分批启动门店调改，项目坚持整体规划、一店一策，按门店所处商圈、客群特征与当地消费习惯确定改造重点，逐步向社区生活体验中心转型。对做门店运营、渠道铺货与零售数据的人来说，这轮调改真正值得关注的不是装修风格，而是每家门店被重新赋予的商圈角色：它决定了后续铺货结构、门店可售率与促销资源应该往哪家店倾斜。本文把已披露的门店样本拆开看，给出一套能落到门店筛选表上的判断顺序。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>上海、杭州、马鞍山等地门店已分批启动改造；马鞍山花雨店打造花雨市集，以集装箱街区承载特色餐饮、茶咖甜品与文创手作；高鑫零售 10 月 25 日发布 2027 财年上半年经营预告，经调整 EBITDA 约 10 亿至 10.5 亿元、经营活动现金净额约 17.5 亿至 18 亿元，均为未经审计数据</td><td>各区域调改门店的具体数量与单店投入金额未披露；昆山店改造后客流与销售表现向好缺少量化口径与对比周期</td><td>调改后各店 SKU 数量、门店可售率与缺货率的变化；Super 新业态门店与调改店是否共用同一套选品逻辑</td></tr></table></div><p>一店一策听起来像一句管理口号，落到执行层面却是三件事的顺序重排：先定商圈角色，再定品类结构，最后定动线与服务。大润发对外给出的表述是结合门店所处商圈、客群特征以及当地消费习惯确定改造重点，在优化商品结构、购物环境和消费场景的基础上为不同门店塑造差异化定位。这句话里最关键的是确定改造重点这五个字，它意味着资源不是平均分配，而是按门店在区域网络里的位置重新排序。</p><p>顺序一旦反过来，先定装修方案再找商品，就会出现最常见的错配：门店看起来新了，主推品类却和周边客群不匹配，坪效改善只维持一个季度。调改样本里真正可以复用的部分，是把商圈判断前置这件事，而不是某一家店的具体陈列方案。对品牌方来说，这意味着铺货计划要与门店的商圈角色对齐，而不是按门店数量平均铺开。</p><p>资金面提供了另一个观察角度。高鑫零售 10 月 25 日发布的 2027 财年上半年经营预告显示，报告期内经调整 EBITDA 约 <mark style="background:#024e9a12;">10 亿元至 10.5 亿元</mark>，经营活动现金净额约 17.5 亿元至 18 亿元，两项数据均未经审计。这说明调改是在现金流为正的前提下推进的，节奏可以按区域分批，不必一次性铺开，也解释了为什么不同城市看到的改造进度并不一致（<a href="https://www.cnfin.com/gs-lb/detail/20261026/4486289_1.html">新华财经 10 月 26 日报道</a>）。</p><p>同一套思路在不同区域呈现出的侧重并不相同，这也是把一店一策当成统一模板复制时最容易出错的地方。它保留的是判断框架，改变的是每家店的取舍。把已披露的样本并排看，差异集中在动线、品类与服务三处，而这三点恰好决定了品牌方该往哪家店压资源。</p><table><tr><th>区域与门店</th><th>商圈与客群特征</th><th>调改侧重</th><th>可观察指标</th></tr><tr><td>上海多家门店</td><td>年轻客群与邻里便民并重</td><td>扩充鲜食档口、烘焙轻食，引入潮玩 IP，增设便民服务站点，打通到店与一小时到家履约链路</td><td>鲜食档口动销、到家订单占比</td></tr><tr><td>杭州区域门店</td><td>家庭消费为主</td><td>降低货架高度、拓宽主通道，落实宽类窄品，新增绿植花鸟、宠物用品与亲子互动区</td><td>主通道客流、压缩后的 SKU 数与门店可售率</td></tr><tr><td>马鞍山花雨店</td><td>依托宁马城际 S2 线，过境与文旅客流强</td><td>打造花雨市集，以集装箱街区承载特色餐饮、茶咖甜品、文创手作</td><td>市集业态客流、非食品类销售占比</td></tr><tr><td>江苏昆山店</td><td>社区与家庭日常</td><td>新增润发食堂、升级生鲜现制餐饮</td><td>现制餐饮动销、改造前后客流</td></tr><tr><td>无锡长江北路 2.0 重构店</td><td>城市社区</td><td>增设微醺酒区与亲子体验空间</td><td>新场景连带购买率</td></tr></table><h3>马鞍山花雨店为什么做成市集</h3><p>花雨店的改造前提是宁马城际 S2 线带来的过境客流。这类客流的目的通常不是补货而是消磨时间，因此门店把空间让给集装箱街区，用特色餐饮、茶咖甜品与文创手作把停留时长拉长，再把购物、餐饮休闲与文旅展示放进同一条动线。对品牌方而言，这类门店的货架价值低于展示价值，铺货重点应从家庭装大规格转向即食、小包装与礼赠场景，用常规大店的铺货模板套上去，可售率不会差，动销却起不来。</p><h3>上海与杭州改的是动线不是面积</h3><p>杭州的做法是降低货架高度、拓宽主通道，配合宽类窄品的选品思路，品类宽度保留、单品数量压缩；上海则在动线两端加业态，一端是鲜食与烘焙，一端是便民服务站点。两者都不依赖扩大面积，而是靠动线重排提升单位面积产出。这意味着调改店的 SKU 总数可能下降，但门店可售率的要求反而更高，因为货架位减少之后，任何一个缺货位置都更显眼，缺货的代价被放大。</p><p>把商圈判断做成可执行的筛选，需要把潜力拆成三层。第一层是商圈层的机会指标，包括周边居住密度、通勤与过境客流、竞品门店距离；第二层是门店层的经营指标，包括客流、客单、坪效与门店可售率；第三层是品类层的结构指标，包括主推品类的动销、缺货率与陈列位产出。三层分别回答这块地值不值得进、这家店现在好不好、这家店该改什么。</p><p>三层的顺序不能颠倒。只看门店层，会漏掉商圈正在变化但尚未反映到销售上的店；只看品类层，容易把一次促销当成结构改善。实际操作中，先用商圈层筛出候选，再用门店层排序，最后用品类层决定改什么，这套顺序也是黄金门店计划里门店筛选的常规做法，区别只在于指标权重。</p><p>高潜门店的判定还要留出时间窗。改造后的客流与销售改善通常需要一到两个季度才能稳定，昆山店被描述为改造后客流和销售表现向好，但没有给出量化口径，这类表述只能作为方向参考，不能直接写进筛选模型的打分项，否则会把资源压到不具备复制条件的门店上。</p><div style="display:none"><ol><li>区域运营负责人按商圈层指标初筛候选门店，核验证据为门店周边居住密度表、通勤与过境客流记录、竞品门店距离清单。</li><li>门店店长在候选店内做一次全品类盘点，核验证据为货架陈列图、SKU 清单与近 30 天缺货记录。</li><li>品类经理按品类层指标排序主推品类，核验证据为主推品类近 8 周动销与缺货率报表。</li><li>数据团队把三层指标合并成门店打分表，核验证据为打分表版本号与数据截止日期。</li><li>区域负责人复核打分结果并确定调改顺序，核验证据为复核会议记录与最终排序表。</li></ol><table><tr><th>字段</th><th>示例值</th><th>说明</th></tr><tr><td>商圈类型</td><td>轨道过境加文旅</td><td>取自马鞍山花雨店样本</td></tr><tr><td>门店名称</td><td>花雨店</td><td>宁马城际 S2 线沿线门店</td></tr><tr><td>调改侧重</td><td>市集业态</td><td>集装箱街区承载餐饮与文创</td></tr><tr><td>核心指标</td><td>非食品类销售占比</td><td>改造后按季度复盘</td></tr><tr><td>证据链接</td><td>新华财经 10 月 26 日报道</td><td>公开信息截止 10 月 27 日</td></tr></table></div><p>第一个被高估的信号是改造即增长。昆山店的客流和销售改善属于定性表述，没有口径也没有对比周期，直接当成结论，会让同类门店排队进入调改清单，最终把预算摊薄。更稳妥的做法是把改造前后各一个完整季度的客流、客单与主推品类动销并列，再判断改善是否来自改造本身，而不是来自季节或促销。</p><p>第二个是新业态等于新客群。Super 门店以餐超融合、3R 即食鲜食为核心，适配购物中心客流与社区即时消费，但这套组合在写字楼商圈与纯住宅商圈的转化路径并不相同，套用同一套选品会推高损耗。判断新业态是否成立，看的不是开业当天的客流，而是三周之后即食区的日清比例与损耗率。</p><p>两个信号共同的问题，是把过程指标当成了结果指标。可验证的做法是给每家候选店设定明确的观察窗口和一组对照指标，窗口结束再决定是否进入下一批调改。对品牌方来说，这也意味着铺货计划要跟着调改节奏滚动更新，而不是按年度一次性下发到所有门店。</p><ul><li><p>一店一策和标准化连锁管理矛盾吗？</p><p>不矛盾，矛盾的是把标准化理解成统一货架图。这轮调改保留的是判断框架，即按商圈、客群与消费习惯确定重点，改变的是每家店的品类结构与动线。对品牌方来说，同一套铺货模板在不同门店的适配成本会上升，需要按商圈类型分组管理。</p></li><li><p>调改期间门店可售率会下降吗？</p><p>存在这种风险。杭州门店降低货架高度、落实宽类窄品，SKU 总数可能压缩，货架位减少之后缺货更显眼。可售率的观察应细到主推品类，而不是只看门店整体数字，否则改善会被平均掉。</p></li><li><p>品牌方该怎么配合区域调改节奏？</p><p>先拿到调改门店清单与改造时间表，再按商圈类型调整铺货结构。花雨市集这类门店适合即食、小包装与礼赠场景，社区店则要保证家庭装的稳定可售，两类门店不宜共用同一套陈列与补货规则。</p></li><li><p>这轮调改有可量化的目标吗？</p><p>公开信息没有给出单店投入与目标坪效。可参考的是高鑫零售 2027 财年上半年经营预告中的经调整 EBITDA 与经营活动现金净额区间，两项均为未经审计数据，只能说明推进节奏具备现金支撑。</p></li></ul><ul><li><a href="https://www.cnfin.com/gs-lb/detail/20261026/4486289_1.html">新华财经：一店一策焕新门店 大润发深耕社区消费</a></li><li><a href="https://m.pedaily.cn/99discoveries/141509">投资界：大润发多地推进门店调改升级</a></li></ul>

<p>截至10月27日的公开信息，一份平台数据报告显示，豆包对抖音的引用权重从5月的10.79%升到8月的31.8%，每引用3条内容就有1条来自抖音；百度6月首次把 B 站和好看视频纳入信源库，二者权重之和达到12%。同一时期苹果推送 iOS 27.2，照片与 Image Playground 开始支持 AI 水印识别。三条信息指向同一个判断：AI 回答背后的引用来源结构正在变化，视频内容成为主力信源之一，而品牌做 AI 搜索可见度时，若仍按图文站点的口径统计引用来源，会漏掉增长最快的那一块。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>豆包对抖音的引用权重从5月的10.79%升到8月的31.8%</td><td>统计口径与样本量</td><td>报告原文与数据说明</td></tr><tr><td>百度6月首次把 B 站和好看视频纳入信源库，二者权重之和达到12%</td><td>权重计算方式</td><td>平台信源库说明</td></tr><tr><td>苹果 iOS 27.2 支持照片与 Image Playground 的 AI 水印识别</td><td>识别准确率与覆盖范围</td><td>官方更新说明</td></tr></tbody></table></div><p>三个月从10.79%到31.8%，接近三倍的权重变化，在引用来源的历史上并不常见。这说明平台的检索层在做结构调整，而不是内容自然增长的结果。对品牌来说，含义很直接：过去把资源投在图文页面，靠网页被检索到获得引用；现在如果视频不在信源库里，等于在这条新增的主要通道上缺席。</p><p>更值得注意的是时间点。百度在6月把两个视频站纳入信源库，豆包的权重在5月到8月之间完成跃升，两者发生在同一季度。这不像巧合，更像平台在集中补齐视频语料。品牌监测如果还只统计网页域名的被引用占比，看到的是一条平缓的曲线，而真实结构已经换了。</p><p>视频被纳入信源，原因不复杂：多模态模型能直接处理画面与语音，视频里的信息密度高于同长度文字，而且带时间戳与场景，便于模型判断可信度。对平台来说，视频语料还解决了图文站点质量参差的问题，因为平台自有或合作视频的内容审核链条更短，可控性更高。</p><table><thead><tr><th>信源类型</th><th>模型可提取的信息</th><th>可信度判断依据</th><th>监测口径</th></tr></thead><tbody><tr><td>图文网页</td><td>正文、标题、结构化数据</td><td>域名权重、发布时间</td><td>按域名统计被引用占比</td></tr><tr><td>短视频</td><td>画面、语音转写、字幕</td><td>账号认证、互动量、发布时间</td><td>按账号与平台统计引用次数</td></tr><tr><td>长视频</td><td>章节、讲解、演示过程</td><td>发布方资质、内容完整度</td><td>按内容主题统计引用场景</td></tr><tr><td>商品页</td><td>参数、价格、评价</td><td>平台背书、销量</td><td>按 SKU 统计被引用率</td></tr></tbody></table><p>这张表说明监测口径必须跟着信源类型调整。网页可以按域名聚合，视频更适合按账号聚合，因为同一个账号在不同平台的权重不同。如果沿用网页的统计方式去数视频，会得到一堆无法归因的链接，既看不出谁在替品牌说话，也算不出竞品占位。</p><h3>平台自有内容天然占优</h3><p>豆包的引用里抖音占三成，本质是同一生态内的内容优先。这不是特例，多数平台都会优先引用自有或深度合作的内容，因为可审核、可追溯、可商业化。品牌要接受这个前提：在某个 AI 平台上，生态内的内容天然占优，生态外的内容要靠质量与权威性争取剩下的份额。</p><p>建议把引用率拆成两层：一层是总体引用率，回答里给出引用来源的比例；另一层是分类型引用率，按网页、短视频、长视频、商品页分别统计。两层一起看，才能回答一个具体问题：品牌的 AI 可见度变化，是因为整体被引用得少了，还是因为引用从网页迁移到了视频。</p><p>拆开之后常见的发现是，总体引用率没变，但结构变了。网页引用下降、视频引用上升，两者相抵，总体看起来平稳。如果不拆类型，团队会误判为没有变化，继续在网页上投入，而增长的部分始终没有触达。这种结构性变化，比总量的涨跌更值得警惕。</p><h3>竞品占位要按同一口径重算</h3><p>信源结构变化后，竞品占位的历史数据也失去可比性。竞品可能在视频信源上布局更早，导致某些问题簇里 AI 回答推荐的是竞品的内容。建议在拆完引用类型后，按同一口径重算各问题簇的竞品占位，把视频引用占比高、品牌缺席的簇单独标出来，作为内容建设的优先项。</p><p>能被引用的视频有三个共同点：主题明确、信息可提取、有可核验的出处。主题明确指一条视频只讲一件事，不要在一个视频里塞五个卖点；信息可提取指关键结论用口播或字幕说清楚，不能只靠画面暗示；有出处指数据、参数、结论标注来源，便于模型判断可信度。</p><p>反过来，纯品牌宣传片最难被引用，因为没有可提取的事实。产品测评、使用演示、对比测试这类内容更容易进入信源库，因为模型需要的是能回答问题的信息，而不是情绪表达。品牌如果把视频预算全部投在形象片上，在 AI 回答的引用竞争中基本没有位置。</p><h3>账号认证与更新频率影响权重</h3><p>视频信源的权重通常与账号认证状态和更新频率相关。认证账号在可信度判断上占优，持续更新的账号在时效性判断上占优。这意味着视频信源建设不是一次投放，而是长期运营：稳定的更新节奏、清晰的账号定位、可核验的内容出处，三者叠加才会形成权重。</p><p>把上面的判断落到执行，一个月可以完成一轮信源结构盘点。核心动作是把引用来源按类型重新分类、重算分类型引用率、找出视频信源上的缺口、按缺口排内容计划。清单不长，但要求采集时把引用链接完整保存，否则事后无法分类。</p><div style="display:none"><ol><li>数据岗：把近三个月采集的引用链接按网页、短视频、长视频、商品页分类，证据为分类后的引用清单。</li><li>分析岗：按类型重算引用率与竞品占位，标出结构变化超过阈值的平台，证据为分类型引用率表。</li><li>内容岗：按缺口列出视频选题，每条只讲一件事并标注可核验出处，证据为选题清单。</li><li>运营：确认品牌账号的认证状态与更新节奏，证据为账号运营记录。</li><li>复盘人：季度复核视频引用占比变化，决定是否加大投入，证据为季度复盘报告。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>信源类型</td><td>短视频</td></tr><tr><td>平台</td><td>抖音</td></tr><tr><td>引用次数</td><td>47</td></tr><tr><td>占该平台引用比</td><td>31.8%</td></tr><tr><td>核验状态</td><td>待核验</td></tr></tbody></table></div><p>需要说明的是，引用权重数据来自第三方报告转述，统计口径、样本平台范围与权重计算方法均未完整公开，本文引用时已标注为需要核实。品牌在使用这类数据做资源分配时，应同时保留自有采集数据，用自己的一手样本验证结构变化是否成立。</p><ul><li><p>视频成为主力信源，图文还有用吗？</p><p>有用，但角色变了。图文仍承担结构化信息与权威背书，视频承担场景演示与结论表达。两者不是替代关系，而是分工关系。品牌如果只做视频，会缺少可被引用的细节；只做图文，会错过增长最快的通道。</p></li><li><p>引用权重从10.79%到31.8%说明什么？</p><p>说明平台在检索层做了结构调整，而不是内容自然增长。三个月接近三倍的跃升，通常对应信源库扩充或排序规则调整。品牌应把它理解为通道变化，而不是一次偶发的流量波动。</p></li><li><p>怎么判断品牌在视频信源上是否缺席？</p><p>把采集到的引用链接按类型分类，统计各类型中品牌内容被引用的次数与占比。如果视频类引用几乎为零，而该平台的视频引用占比在三成以上，就说明品牌在这条主要通道上缺席。</p></li><li><p>AI 水印识别和这件事有什么关系？</p><p>它影响的是内容可信度判断。当平台能识别 AI 生成内容并加标识，信源的可追溯性提高，品牌用 AI 生成的素材若未标注，可能在可信度评估中处于劣势。这条机制还在早期，值得持续观察。</p></li></ul><ul><li><a href="https://www.163264.com/18269" rel="nofollow noopener" target="_blank">2026 年 10 月 27 日 AI 日报：OpenAI 一天推翻三个数学猜想，Kimi 把 3 万亿参数押上牌桌</a></li></ul>

<p>截至 10 月 27 日的公开信息显示，10 月下旬有从业者在公开文章中记录了一个具体场景：一家做了十余年、线下渠道稳定的家居建材品牌，在 AI 助手回答「本地中高端定制家居品牌有哪些」时完全没有出现，名单里反而有一家成立两年的新品牌。文章把原因归到信源结构而不是投放预算。对品牌内容团队来说，这个案例的价值在于它把「AI 可见度」拆成了一份可以逐项检查的清单。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>某家居建材品牌十余年经营、上百篇新闻稿，在 AI 助手回答本地中高端定制家居品牌时未被列出（从业者公开记述）</td><td>该案例的品牌名、提问时间与采样平台未公开</td><td>案例属单一从业者叙述，不能作为行业普遍比例的证明</td></tr><tr><td>同一次回答中出现了成立约两年的新品牌（同一记述）</td><td>新品牌被列出的具体原因未验证</td><td>需在相同问题下多平台重复采样才能判断是否稳定</td></tr><tr><td>文章建议按场景问答、事实标准化、信源类型优先级三方向改造（同一记述）</td><td>改造后的效果数据未披露</td><td>效果需以品牌自有监测基线复测，不能引用作者结论</td></tr></tbody></table></div><p>这个案例之所以值得拆，是因为它把「为什么没被提到」变成了可验证的问题。传统传播的假设是曝光越多越好，但 AI 回答的形成过程不是按曝光量排序，而是按问题与证据的匹配度挑选片段。上百篇通稿如果都在重复同一句「深耕行业十余年」，对模型来说只是低信息密度的重复文本，无法回答用户真正的提问。</p><p>需要说明证据边界：这是一个从业者叙述的单一案例，没有公开的品牌名、采样平台与重复次数，不能据此推断「老品牌普遍在 AI 回答中失声」的比例。它能提供的是一套检查思路，而不是行业统计结论。</p><h3>知识切片而不是宣传稿</h3><p>用户看品牌会综合官网视觉、门店体验、朋友评价与媒体报道，形成模糊但立体的印象；AI 没有这种模糊能力，它扫描与问题意图匹配的文本片段，挑选高频、权威、结构清晰的信源组合答案。如果品牌信息只存在于通稿标题与文末简介，中间与品类强相关的内容是空的，模型就找不到提及该品牌的理由。</p><h3>提问意图已经从名词变成句子</h3><p>过去用户搜「定制家居品牌排名」，做好了看广告的心理准备；现在对着 AI 问「我家 120 平，想找本地做全屋定制的，要环保板材，预算中等」，模型需要的是能回答面积、板材认证、本地响应速度这类具体场景的信息。宣传语对模型是噪音，一篇讲板材选择的场景化内容反而可能被选中作为参考信源，顺带把品牌带出来。</p><h3>按提问场景重组内容</h3><p>官网的「产品中心」对模型来说过于笼统，需要拆成覆盖具体决策场景的问答式短文，每条围绕一个真实问题展开，把产品信息作为答案的一部分自然嵌入，而不是贴在文末当广告。改造的检验标准是：把标题遮住，这段内容是否仍能独立回答一个问题。</p><h3>统一品牌事实的表述</h3><p>成立年份、主要产品线、核心技术、服务范围、典型案例与资质认证，这些字段在全网应保持高度一致的表述。很多品牌在不同稿件里写法五花八门，模型学到的就是矛盾数据，索性不提。梳理一份事实清单并在各渠道统一使用，是最低成本的一步。</p><h3>按 AI 偏好排序信源类型</h3><p>公开讨论中较一致的观察是机构媒体、行业垂直网站、百科类平台与高质量问答社区的权重高于个人博客与评论区。但这个排序只是经验判断，各平台并不公开权重分值。与其把预算全押在门户通稿，不如分一部分做行业站的产品收录、专业论坛的技术讨论与问答平台的客观回答，让品牌在多个中等权重信源里持续出现。</p><table><thead><tr><th>信源类型</th><th>公开讨论中的偏好</th><th>覆盖动作</th><th>复核方式</th></tr></thead><tbody><tr><td>机构媒体</td><td>较高</td><td>关键节点的事实性报道，避免通稿化表述</td><td>抽查引用域名分布</td></tr><tr><td>行业垂直网站</td><td>较高</td><td>产品收录、技术参数页、案例页</td><td>按问题逐条比对引用</td></tr><tr><td>百科与知识平台</td><td>较高</td><td>实体信息补全与口径统一</td><td>核对实体描述一致性</td></tr><tr><td>问答社区</td><td>中等</td><td>客观回答，避免营销口吻</td><td>观察是否被引为信源</td></tr><tr><td>自有公众号与官网</td><td>较低（单一信源）</td><td>作为事实基准页，不指望单独被引用</td><td>与其他信源交叉验证</td></tr></tbody></table><p>这张表的作用不是给出权重分数，而是提醒品牌按类型盘点覆盖情况。缺口判断有一个简单方法：看监测数据里 AI 回答相关问题引用了哪些网站，凡是竞品有内容沉淀而品牌一篇都没有的平台，就是明确缺口；补的顺序按用户决策的关键环节排，报价、工期、材料这类核心意图优先。</p><p>内容铺出去之后不能等模型自己变聪明，需要定期复测。可行的节奏是每周固定问一组与业务强相关的问题，记录品牌是否出现、出现在第几位、被如何描述、引用了哪些信源。连续观察三个月，才能判断哪些渠道的内容真正影响了推荐偏好，哪些只是自嗨。每次内容发布后过一两周复测一次，把资源逐步集中到有效信源上。</p><p>复测要避免两个误区：一是只看单次结果，把模型波动当成效果；二是换口径比较，例如这次问「哪家好」、上次问「怎么选」，得到的答案本来就不可比。固定问题、固定平台、固定频次，是复测有意义的前提。</p><div style="display:none"><ol><li>内容负责人按用户真实问法整理问题库，覆盖品类、预算、场景、售后四类意图，每条问题标注业务优先级。</li><li>监测岗在各平台采集回答，记录品牌是否出现、位次、描述与引用域名，形成首轮基线。</li><li>分析岗统计引用域名分布，与竞品覆盖情况逐项对比，输出信源缺口清单并排序。</li><li>内容岗按缺口补充场景化问答与事实标准化页面，每条内容绑定一个具体问题与一个信源类型。</li><li>负责人在内容上线两周与八周各复测一次，比较提及率与位次变化，决定是否继续投入该信源。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>问题库规模</td><td>覆盖品类、预算、场景、售后四类意图</td></tr><tr><td>基线指标</td><td>提及率、位次、描述、引用域名</td></tr><tr><td>复测节点</td><td>上线后第 2 周、第 8 周</td></tr><tr><td>缺口排序</td><td>按用户决策关键环节优先级</td></tr></tbody></table></div><ul><li><p>老品牌在 AI 回答里没有出现，是不是投放预算不够？</p><p>多数情况不是预算问题，而是信源结构问题。AI 需要的是能直接回答具体问题的知识切片，如果品牌信息只存在于通稿标题和文末简介，中间缺少与品类强相关的场景内容，模型就缺少提及该品牌的依据。</p></li><li><p>品牌事实标准化具体要统一哪些字段？</p><p>至少包括成立年份、主要产品线、核心技术、服务范围、典型客户案例与资质认证。这些字段在不同稿件里写法不一致时，模型学到的是矛盾数据，往往会选择不提及而不是猜测。</p></li><li><p>哪类信源更容易被 AI 引用？</p><p>公开讨论中较一致的观察是机构媒体、行业垂直网站、百科类平台与高质量问答社区的权重高于个人博客和评论区。但这只是经验排序，具体权重由各平台检索与排序策略决定，不存在公开的统一分值和保证被引用的方法。</p></li><li><p>补信源缺口应该从哪里开始？</p><p>先看监测数据里 AI 回答相关问题引用了哪些网站和平台，凡是竞品有布局而品牌一篇内容都没有的平台，就是明显缺口。补的顺序按用户决策的关键环节排，报价、工期、材料这类核心意图优先。</p></li></ul><ul><li><a href="https://baijiahao.baidu.com/s?id=1879914723496955128&wfr=spider&for=pc">百家号：老品牌做了10年PR却在AI回答里被一个成立2年的新品牌盖过</a></li></ul>

<p>截至 10 月 27 日的公开信息，大窑饮品 10 月 25 日晚通过官方微信服务号发布 2026 年全国经销商大会内容，会上刘莉冬以首席执行官身份发布大窑 2.0 战略全景；10 月 27 日公司回应媒体确认，刘莉冬已正式出任首席执行官并全面主持经营管理工作，前任孙亦农已离开，此次调整基于企业长期发展战略需要。对负责饮料品类铺货与渠道执行的团队来说，换帅本身不是重点，重点是经销商大会定下的战略要在多长周期内变成门店的可售率与铺货率。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>10 月 25 日晚官方微信服务号发布全国经销商大会内容，文中显示首席执行官为刘莉冬</td><td>孙亦农离任的具体原因，公司仅表述为管理架构调整</td><td>新任 CEO 的授权范围是否覆盖供应链与渠道政策</td></tr><tr><td>会上刘莉冬发布大窑 2.0 战略全景，围绕八大维度构建增长新引擎</td><td>八大维度的具体清单，公开报道未逐条列出</td><td>2.0 战略的落地时间表与首年目标</td></tr><tr><td>10 月 27 日公司回应媒体确认人事变动，前任任职不足一年</td><td>渠道端是否已收到配套的返利或费用政策调整</td><td>经销商大会现场发布的政策原文</td></tr></tbody></table></div><p>把三个动作按时间排开，节奏比人事变动本身更值得读。10 月 25 日晚的经销商大会是渠道年度最重要的沟通场，会上以 CEO 身份亮相并做主题分享，等于先把新帅推到经销商面前；10 月 26 日媒体从企业信息中确认 CEO 已更换并得到公司回应（<a href="https://finance.china.com/xiaofei/13004691/20261026/49819325.html">中华网财经频道的报道</a>）；10 月 27 日公司再向媒体确认孙亦农已离开。先对内定调、再对外确认，这是快消企业处理高层变动的常见顺序。</p><h3>官方口径与媒体口径的差别</h3><p>官方口径强调的是战略连续性，回应集中在基于长期发展战略需要完成管理架构调整，并把 2.0 战略与产品、渠道、供应链、品牌建设四个方向绑定；媒体口径则更关注前任任期不足一年这一事实，以及频繁换帅背后的经营压力。两种口径并不矛盾，但读的时候要分清：前者是给渠道和资本市场的稳定信号，后者是对现状的解释，判断铺货政策会不会变，要看前者落地成什么文件。</p><p>战略表述里的八大维度对外是完整叙事，对渠道执行层则会被压缩成三件可操作的事。第一件是分销覆盖的深度，即同样的经销商体系能不能把货铺到更多终端；第二件是终端动销的支撑，包括陈列、冰柜、促销资源怎么配；第三件是价格与费用的秩序，返利和费用投放能不能形成稳定的渠道价格。这三件事任何一件没落地，战略就停在发布会现场。</p><h3>经销商大会为什么是铺货节奏的发令枪</h3><p>饮料的销售年度通常跟着天气和节庆走，经销商大会定的是下一阶段的进货节奏与政策框架。会上发布的战略会直接影响经销商怎么备货：如果政策强调新品铺市，经销商会在淡季压新品库存；如果强调费用投放，经销商会等费用政策明确后再进货。所以判断 2.0 战略能不能转化成铺货率，看的是会后两周经销商的实际打款与订单结构，而不是会上的口号。</p><p>把三个时间点与对应的渠道含义放在一张表里，可以看到人事动作与渠道动作是交错推进的。会议在前、确认在后，中间的窗口正是经销商解读政策、决定订货的时间。</p><table><thead><tr><th>时间</th><th>动作</th><th>渠道端含义</th></tr></thead><tbody><tr><td>10 月 25 日晚</td><td>官方微信服务号发布全国经销商大会内容，刘莉冬以 CEO 身份发布 2.0 战略全景</td><td>新政策框架首次对经销商公开，进入解读期</td></tr><tr><td>10 月 26 日</td><td>媒体从企业信息确认 CEO 变更，公司回应称完成管理架构调整</td><td>经销商确认决策层已稳定，可据此安排打款</td></tr><tr><td>10 月 27 日</td><td>公司向媒体确认刘莉冬出任 CEO、孙亦农已离开</td><td>人事不确定性消除，进入政策落地观察期</td></tr></tbody></table><p>饮料的旺季集中在二、三季度，四季度进入淡季与备货期。在这个节点调整 CEO，好处是新任者有完整的淡季做渠道梳理与产品结构调整，不必在旺季中途改政策；代价是如果调整幅度过大，经销商会观望，淡季备货可能不足，直接影响来年开春的首轮铺货。所以这个时间点的选择，本身透露的是先把内部理顺、再迎接下一个旺季的思路。</p><p>饮料的铺货有两个容易被混淆的层次：一层是经销商进货，一层是终端门店可售。经销商打款进货只能说明渠道压货，门店冰柜里有没有货、有没有断码，才是消费者能感知的供给。饮料单价低、周转快、单店 SKU 容量有限，一旦新品进场，往往会挤掉老品的排面，所以铺货率上升未必带来总销量上升，反而可能造成主力单品缺货。</p><p>这也是为什么饮料品牌在做铺货上翻监控时，必须同时看 SKU 覆盖与门店可售率。SKU 覆盖看的是广度，可售率看的是深度。如果新帅的 2.0 战略包含产品焕新，那么最先出现的信号不会是销量，而是门店的 SKU 结构变化与主力单品的缺货率变化，这两个指标通常在政策落地后四到六周开始显现。</p><p>从 10 月底算起，到明年一季度末大约是一个完整的观察窗口。前三十天看经销商的打款与订单结构，判断政策是否被接受；中间三十天看终端铺货与门店可售，判断执行是否到位；最后三十天看动销与复购，判断战略是否产生真实需求。三个阶段各有各的失败模式：政策不被接受表现为订单下滑，执行不到位表现为铺货率虚高而可售率不动，需求没起来表现为促销依赖度上升。</p><div style="display:none"><ol><li>渠道负责人：调取 10 月 25 日经销商大会后两周的经销商打款与订单明细，核对新品占比，证据为经销商合同与打款凭证。</li><li>区域经理：按城市级别抽取门店，核对主力单品与新品的同时在架情况，证据为门店冰柜陈列照片与巡店记录。</li><li>数据团队：计算分区域铺货率与门店可售率，标注两者背离的区域，证据为分 SKU 的门店库存明细。</li><li>市场负责人：核对促销费用投放与终端价格的对应关系，确认是否存在费用换来的低价，证据为促销执行单与终端价签。</li></ol><table><thead><tr><th>字段</th><th>示例值</th><th>核验说明</th></tr></thead><tbody><tr><td>事件日期</td><td>2026 年 10 月 25 日</td><td>以官方微信服务号发布经销商大会内容的日期为准</td></tr><tr><td>人事变动</td><td>首席执行官由孙亦农变更为刘莉冬</td><td>以公司对媒体的正式回应为证据</td></tr><tr><td>铺货率</td><td>某区域新品铺货率 62%</td><td>须与门店可售率同口径、同日统计</td></tr><tr><td>证据链接</td><td>财经网 2026 年 10 月 26 日报道</td><td>用于回溯公开信息，不作结论依据</td></tr></tbody></table></div><ul><li><p>换 CEO 会不会改变大窑现有的经销政策？</p><p>目前公开信息只说明基于长期发展战略完成管理架构调整，没有披露返利、费用或区域授权的具体变化。判断政策是否变化，要看经销商大会后两周的订单结构与合同条款，而不是人事公告本身。</p></li><li><p>2.0 战略里的八大维度，对铺货有什么直接影响？</p><p>公开报道未逐条列出八大维度，只说明围绕产品、渠道、供应链与品牌建设推进。对铺货的直接影响集中在两处：产品焕新会改变门店 SKU 结构，渠道与供应链调整会改变到货节奏与缺货率。</p></li><li><p>饮料品牌为什么不能只看铺货率？</p><p>铺货率只反映门店有没有这个 SKU 的记录，不反映消费者能不能买到。饮料单店排面有限，新品进场常挤掉老品，铺货率上升的同时主力单品可能出现缺货，必须同时看门店可售率与缺货率。</p></li><li><p>新帅上任后的观察期应该多长？</p><p>从政策发布到终端显现通常需要四到六周，完整的判断周期约九十天。前三十天看经销商订单，中间三十天看终端可售，最后三十天看动销与复购，三个阶段对应三种不同的失败模式。</p></li></ul><ul><li><a href="https://industry.caijing.com.cn/20261026/5189749.shtml">财经网：大窑回应 刘莉冬正式出任大窑饮品首席执行官</a></li><li><a href="https://finance.china.com/xiaofei/13004691/20261026/49819325.html">中华网财经：刘莉冬接任大窑CEO，全链路助力大窑2.0战略</a></li><li><a href="https://baijiahao.baidu.com/s?id=1880176131495734201&wfr=spider&for=pc">百家号：大窑饮品换帅 刘莉冬出任CEO，孙亦农任职不满一年离任</a></li></ul>